Misframing Marine Plastic Pollution on TikTok
Notice bibliographique
Résumé
TikTok has emerged as a significant platform for environmental communication, particularly in ocean protection and waste cleanup. This paper analyzes 250 English-language videos tagged with #plasticpollution and #marineplasticpollution. The videos were retrieved in 2023 by searching hashtags and downloading available videos chronologically from the “Top 100” section. Our analysis includes a descriptive statistical analysis of content framing (cause, issue, solution) derived from marine plastic pollution literature and a 10% video sample, as well as stylistic framing (deficit/dialogue, fearful/hopeful) delineated from established environmental communication models. Our findings suggest a significant disjuncture between experts’ perceptions of marine plastic pollution, obtained through a literature review on the topic, and how the issue is presented on TikTok. Specifically, TikTok individualizes the causes and solutions to the challenge, tends to foreground technological answers, and primarily frames the nature of the issue as solely ecological. This presents a one-sided perspective on this systemic problem and neglects the socio-political injustices tied to plastic pollution. Stylistically, most videos use a data-centered deficit model and a fearful emotional genre, assuming the public needs information due to a knowledge gap while evoking apprehension to drive action. While these models could raise awareness of the issue, they differ from the preferred dialogue and optimistic communication models, which have been linked to greater public engagement based on previous research in the field. Generally, this research finds that the framing of marine plastic pollution in English-language TikTok videos perpetuates one-sided narratives, suggesting flaws in how demographics consuming these videos obtain information about the challenge.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».